任 罡,查顯光,胡曉麗,張夢(mèng)夢(mèng),朱向軍,劉旻超

(1.國網(wǎng)江蘇省電力有限公司技能培訓(xùn)中心,江蘇 蘇州 215002;2.國網(wǎng)江蘇省電力有限公司,江蘇 南京 210024)

變電站屬于重要節(jié)點(diǎn),在電網(wǎng)中其主要任務(wù)是分配電能、轉(zhuǎn)換電壓,直接影響著電網(wǎng)的運(yùn)行狀態(tài)。經(jīng)調(diào)查發(fā)現(xiàn),在電氣設(shè)備故障中,變壓器、套管等電加熱裝置的致熱型缺陷所占的比例較大,容易造成電網(wǎng)的大面積停電[1]。紅外檢測(cè)技術(shù)可有效地檢測(cè)電加熱裝置的致熱型缺陷,在應(yīng)用過程中體現(xiàn)出了較多優(yōu)點(diǎn)[2]。近年來通過固定攝像頭、無人機(jī)和巡檢機(jī)器人采集的紅外圖像已經(jīng)成為應(yīng)用最為廣泛的技術(shù)手段,因此加大了電加熱裝置致熱型缺陷識(shí)別的難度,需要對(duì)電加熱裝置致熱型缺陷識(shí)別方法展開分析和研究。

針對(duì)此問題,相關(guān)學(xué)者提出了一些較典型的方法和觀點(diǎn)。李文璞等人[3]提出基于旋轉(zhuǎn)目標(biāo)檢測(cè)的變電設(shè)備紅外圖像電壓致熱型缺陷智能診斷方法。在Faster RCNN模型的基礎(chǔ)上定位并識(shí)別電加熱裝置區(qū)域,對(duì)裝置的溫差展開計(jì)算,設(shè)定溫差閾值,根據(jù)溫差計(jì)算結(jié)果完成致熱型缺陷識(shí)別。該方法獲取的變電設(shè)備紅外圖像中存在大量的噪聲,存在圖像采集質(zhì)量差的問題。黃銳勇等人[4]提出電力設(shè)備紅外圖像缺陷檢測(cè)方法。將現(xiàn)場(chǎng)紅外圖像數(shù)據(jù)樣本輸入CenterNet結(jié)構(gòu)中,獲取設(shè)備部件的表面溫度,結(jié)合溫度規(guī)范完成電加熱裝置致熱型缺陷檢測(cè),該方法的缺陷識(shí)別率低。譚宇璇等人[5]提出基于圖像增強(qiáng)與深度學(xué)習(xí)的變電設(shè)備紅外熱像識(shí)別方法。結(jié)合Retinex算法和快速導(dǎo)向?yàn)V波增強(qiáng)紅外圖像,在改進(jìn)YOLOv3網(wǎng)絡(luò)中輸入增強(qiáng)后的紅外圖像,完成缺陷識(shí)別,該方法存在缺陷誤報(bào)率高的問題。

為了解決上述方法中存在的問題,提出變電設(shè)備紅外圖像致熱型缺陷超分辨率識(shí)別方法。通過預(yù)處理變電設(shè)備紅外圖像,提高其分辨率。將處理后的圖像輸入改進(jìn)殘差網(wǎng)絡(luò),完成變電設(shè)備的致熱型缺陷識(shí)別。

1 預(yù)處理

1.1 超分辨率重建

為了克服硬件的不足,對(duì)變電設(shè)備紅外圖像展開超分辨率重建,以此提高致熱型缺陷識(shí)別的準(zhǔn)確率。

用y∈Rm表示電加熱裝置的低分辨率圖像;x∈Rn表示理想的高分辨率圖像,利用下式描述電加熱裝置紅外圖像的降質(zhì)模型:

y=NJx+m

(1)

式中:J為模糊算法;m為紅外圖像中存在的噪聲;N為下采樣矩陣。

采用近似稀疏正則化方法[6-7]完成電熱裝置紅外圖像的超分辨率重建,用下述變分問題描述稀疏正則化超分辨率重建問題:

(2)

式中:β為重建后紅外圖像的高分辨率稀疏系數(shù);Fβ為過完備冗余字典;μ為正則化參數(shù)。所提方法在凸松弛算法[8]的基礎(chǔ)上,通過連續(xù)可微函數(shù)l0范數(shù)近似,求解上述問題:

(3)

設(shè)置具有式(4)性質(zhì)的連續(xù)可微近似稀疏函數(shù)gσ(β):

(4)

(5)

式中:σ∈R+,此時(shí)利用gσ(β)近似l0范數(shù),存在式(6):

(6)

通過上述分析,采用近似稀疏函數(shù)正則化方法建立圖像超分辨率重建模型:

(7)

1.2 圖像校正

在變電設(shè)備紅外圖像超分辨率重建過程中,有可能導(dǎo)致圖像出現(xiàn)“鬼影”,為消除“鬼影”對(duì)缺陷識(shí)別的影響,采用中值直方圖非均勻算法對(duì)圖像展開校正處理[9],具體過程如下:

(1)設(shè)Hj(l)代表相對(duì)于像素值l,圖像每列的累計(jì)直方圖,其表達(dá)式如下:

(8)

式中:p(i,j)=k描述的是圖像位置p(i,j)處對(duì)應(yīng)的像素值為k;M為電加熱裝置紅外圖像的行數(shù)。

(9)

式中:h(k)為高斯權(quán)重函數(shù),其表達(dá)式如下:

(10)

式中:s為校正參數(shù);d為平滑程度參數(shù)。

(3)利用校正參數(shù)通過下式校正電加熱裝置紅外圖像中的像素點(diǎn)對(duì)應(yīng)的灰度值:

(11)

式中:f(i,j)為像素點(diǎn)校正后的灰度值。

(4)受噪聲的影響,每行相鄰點(diǎn)在電加熱裝置紅外圖像中的灰度值均不相同,因此選取校正參數(shù)時(shí),可依據(jù)鄰點(diǎn)間差值絕對(duì)值最小的原則,通過下式選取校正參數(shù)d:

(12)

通過上述公式獲取最佳校正參數(shù),利用該參數(shù)對(duì)電加熱裝置紅外圖像校正處理,在視覺效果上提高圖像的平滑性。

2 致熱型缺陷識(shí)別

電加熱裝置包括三種致熱型缺陷,分別是電壓致熱型缺陷、電流致熱型缺陷和綜合致熱型缺陷。只采用紅外圖譜難以識(shí)別三種類型的致熱型缺陷[10-11],因此將處理后的電加熱裝置紅外圖像輸入改進(jìn)的殘差網(wǎng)絡(luò)中,實(shí)現(xiàn)電加熱裝置致熱型缺陷識(shí)別。

殘差網(wǎng)絡(luò)在數(shù)據(jù)庫分類領(lǐng)域中具有良好的效果[12-13]。為提高電加熱裝置致熱型缺陷識(shí)別的準(zhǔn)確率,需要改進(jìn)殘差網(wǎng)絡(luò)。

設(shè)置正態(tài)分布函數(shù)N(ν,σ2),利用Xavier正態(tài)分布初始化方法設(shè)置卷積層在殘差網(wǎng)絡(luò)中的初始權(quán)重值El:

(13)

式中:σ2、ν分別為隨機(jī)變量對(duì)應(yīng)的方差和均值;al-1為神經(jīng)元在第l-1層中的數(shù)量。

Relu激活操作和歸一化處理所有卷積層對(duì)應(yīng)的輸出,完成特征融合和網(wǎng)絡(luò)深度優(yōu)化。

2.1 基于卷積分解的網(wǎng)絡(luò)優(yōu)化

在訓(xùn)練過程中為了避免樣本類別不平衡造成的過擬合現(xiàn)象,通過卷積核分解技術(shù)提高殘差網(wǎng)絡(luò)的泛化性能,減少參數(shù)的整體數(shù)量,通過下式描述卷積核的分解過程:

(14)

式中:→為卷積核在分解過程中的分解方向;mc×mc為卷積核的大小。

2.2 多尺度卷積特征融合優(yōu)化

致熱型缺陷在電加熱裝置紅外圖像中所占的比例較小,網(wǎng)絡(luò)淺層中包含了電加熱裝置大量的異常過熱特征信息。采用多級(jí)卷積層對(duì)異常過熱特征展開提取及融合處理時(shí),容易丟失部分信息,影響了電加熱裝置致熱型缺陷的識(shí)別結(jié)果。因此設(shè)置了三級(jí)分層的快捷連接方式,以此突出致熱型缺陷特征[14-15]。

通過下式描述每個(gè)模塊對(duì)應(yīng)的輸入:

(15)

式中:xi為第i個(gè)模塊在殘差網(wǎng)絡(luò)中的輸入;xi+1為第i個(gè)模塊在殘差網(wǎng)絡(luò)中的輸出;A為模塊數(shù)量;G1、G2均為不同的殘差函數(shù);j為自然數(shù);g為Relu激活函數(shù)。

2.3 自適應(yīng)調(diào)整卷積核數(shù)量與網(wǎng)絡(luò)深度

遵循逐一增加原則增加殘差網(wǎng)絡(luò)的深度,通過式(16)調(diào)整卷積核在殘差網(wǎng)絡(luò)中的數(shù)量k:

k=32+16a

(16)

式中:a為常數(shù),取值為0,1,2,3,4。

將預(yù)處理后的電加熱裝置紅外圖像輸入上述改進(jìn)的殘差網(wǎng)絡(luò)中,獲取過熱區(qū)域的最高溫度T1:

T1=Tr+T0

(17)

式中:Tr為溫升,℃;T0為環(huán)境溫度,℃。

設(shè)定參考區(qū)域的最高溫度T2,計(jì)算參考區(qū)域與電熱裝置過熱區(qū)域最高溫度T1之間的溫差ε:

(18)

設(shè)定溫度閾值ζ,將上式計(jì)算得到的溫差ε與溫度閾值ζ對(duì)比,根據(jù)對(duì)比結(jié)果完成變電設(shè)備致熱型缺陷的識(shí)別。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證變電設(shè)備紅外圖像致熱型缺陷超分辨率識(shí)別方法的整體有效性,需要對(duì)其展開測(cè)試。實(shí)驗(yàn)采用的CPU為Intel Core i7-11370H,內(nèi)存為512GB,顯卡為NVIDIA Geforce RTX 3050。使用的軟件為Caffe和MATLAB2016b。實(shí)驗(yàn)選取某市一工廠內(nèi)變電設(shè)備作為實(shí)驗(yàn)研究對(duì)象,分別采用變電設(shè)備紅外圖像致熱型缺陷超分辨率識(shí)別方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法進(jìn)行實(shí)驗(yàn),圖1為在工廠隨機(jī)選取的兩個(gè)電加熱裝置圖像,并對(duì)其采集紅外圖像。

圖1 電加熱裝置

分析圖2～圖4可知,采用所提方法采集的電加熱裝置紅外圖像可清晰的體現(xiàn)出電加熱紅外裝置的細(xì)節(jié)信息,而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法采集的電加熱裝置紅外圖像存在“鬼影”和噪聲現(xiàn)象。通過上述測(cè)試可知,所提方法可獲取高質(zhì)量的電加熱裝置紅外圖像,因?yàn)樗岱椒▽?duì)電加熱紅外圖像展開了超分辨率重建和校正處理,消除了電加熱紅外圖像中存在的噪聲和“鬼影”,提高了電加熱裝置紅外圖像的整體質(zhì)量。

圖2 所提方法的紅外圖像采集結(jié)果

圖3 文獻(xiàn)[3]方法的紅外圖像采集結(jié)果

圖4 文獻(xiàn)[4]方法的紅外圖像采集結(jié)果

為了進(jìn)一步測(cè)試所提方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的圖像采集質(zhì)量,選取峰值信噪比PSNR作為指標(biāo),PSNR的計(jì)算公式如下:

(19)

式中:L為電加熱裝置紅外圖像的灰度級(jí)數(shù);N、M分別為電加熱裝置紅外圖像的列數(shù)和行數(shù);gj(x,y)為處理后的電加熱裝置紅外圖像;g(x,y)為電加熱裝置的原始圖像。

上述方法的峰值信噪比PSNR測(cè)試結(jié)果如表1所示。

表1 不同方法的峰值信噪比

分析表1中的數(shù)據(jù)可知,對(duì)10幅電加熱裝置圖像展開處理時(shí),所提方法的峰值信噪比遠(yuǎn)高于文獻(xiàn)[3]方法和文獻(xiàn)[4]方法,表明所提方法的圖像處理效果好,可提高電加熱裝置致熱型缺陷識(shí)別的準(zhǔn)確率。

將缺陷誤報(bào)率ιFAR和缺陷識(shí)別率ιFDR作為指標(biāo),測(cè)試所提方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的識(shí)別性能,測(cè)試結(jié)果分別如圖5和圖6所示。

圖5 不同方法的缺陷誤報(bào)率

圖6 不同方法的缺陷識(shí)別率

(20)

式中:ιFP為將正常電加熱裝置判定為缺陷裝置的數(shù)量;ιTN為正確識(shí)別正常電加熱裝置的數(shù)量;ιTP為正確識(shí)別缺陷裝置的數(shù)量;ιFN將缺陷裝置判定為正常裝置的數(shù)量。

分析圖5和圖6中的數(shù)據(jù)可知,隨著電加熱裝置數(shù)量的增加,所提方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法的缺陷誤報(bào)率不斷增加,缺陷識(shí)別率不斷降低。但在相同電加熱裝置數(shù)量以及測(cè)試環(huán)境中,所提方法的缺陷誤報(bào)率保持在20%以內(nèi),低于其他兩種方法;而缺陷識(shí)別率則在95%以上,高于其他兩種方法,驗(yàn)證了在電加熱裝置熱缺陷識(shí)別領(lǐng)域中,所提方法具有較高的識(shí)別性能。

4 結(jié) 語

電力系統(tǒng)中變電設(shè)備等電加熱裝置得到了廣泛的應(yīng)用。目前變電設(shè)備致熱型缺陷識(shí)別方法存在圖像質(zhì)量差、缺陷識(shí)別率低和缺陷誤報(bào)率高的問題,提出變電設(shè)備紅外圖像致熱型缺陷超分辨率識(shí)別方法。通過對(duì)變電設(shè)備紅外圖像展開預(yù)處理,輸入改進(jìn)殘差網(wǎng)絡(luò)中完成電加熱裝置的致熱型缺陷識(shí)別,解決了目前方法中存在的問題,經(jīng)驗(yàn)證所提方法具有良好的缺陷識(shí)別性能。